أسس التعلم الآلي
غالبًا ما تبدأ الدورة بتقديم مفاهيم أساسية في التعلم الآلي، بما في ذلك التعلم التشغيلي وغير التشغيلي والتعلم التعزيزي. يتعلم الطلاب حول الخوارزميات والتقنيات المستخدمة لتمييز الأنماط والتنبؤ.
تحليل وهندسة السمات:
فهم وتحضير البيانات هو جانب أساسي في التعلم الآلي. يتعلم الطلاب تقنيات تنظيف وتحليل البيانات، بالإضافة إلى هندسة السمات لتعزيز أداء نماذج التعلم الآلي.
خوارزميات التعلم التشغيلي:
تغطي الدورة مجموعة من خوارزميات التعلم التشغيلي، مثل الانحدار الخطي، وآليات الدعم النوعي، وأشجار القرار، والشبكات العصبية. يحصل الطلاب على تفاصيل حول متى يجب استخدام خوارزميات مختلفة استنادًا إلى طبيعة المشكلة.
خوارزميات التعلم غير التشغيلي:
يتركز التعلم غير التشغيلي على اكتشاف الأنماط والعلاقات في البيانات بدون تسميات صريحة. تشمل الدورة تقنيات التجميع وتقليل الأبعاد، مثل تجميع k-means وتحليل المكونات الرئيسية.
الشبكات العصبية والتعلم العميق:
التعلم العميق، فرع من فروع التعلم الآلي، يشمل الشبكات العصبية ذات الطبقات المتعددة. يغوص الطلاب بعمق في الهندسة والتدريب والتحسين، استكشاف التطبيقات مثل التعرف على الصور والكلام.
التعلم التعزيزي:
يشمل التعلم التعزيزي تدريب الوكلاء على اتخاذ قرارات تسلسلية من خلال التفاعل مع البيئة. يتعلم الطلاب حول عمليات اتخاذ القرار بعمق، مثل عمليات اتخاذ القرار في علم الماركوف، و Q-learning، وطرق سياسية التدرج.
معالجة اللغة الطبيعية (NLP):
يركز على تمكين الآلات من فهم وتفسير وإنتاج اللغة البشرية. يستكشف الطلاب تقنيات تحليل المشاعر وتلخيص النصوص وترجمة اللغة.
تقييم ونشر النماذج:
تقييم أداء نماذج التعلم الآلي أمر حيوي. تغطي الدورة مقاييس تقييم النماذج واستراتيجيات نشرها في تطبيقات الحياة الواقعية.
الأخلاق والذكاء الاصطناعي المسؤول:
مع تزايد استخدام تطبيقات الذكاء الاصطناعي، تأتي الاعتبارات الأخلاقية إلى المقدمة. يمكن للطلاب استكشاف تأثير الذكاء الاصطناعي على المجتمع والتعرف على ممارسات الذكاء الاصطناعي.
Course Features
- Lectures 28
- Quizzes 0
- Duration 15 hours
- Skill level All levels
- Language English
- Students 8
- Assessments Yes
منهاج
- 6 Sections
- 28 Lessons
- 10 Weeks
- مقدمة في التعلم الآليالدروس: ما هو التعلم الآلي؟ التعريف والأنواع الفرق بين التعلم التشغيلي وغير التشغيلي والتعلم التعزيزي تطبيقات التعلم الآلي في الحياة الواقعية3
- القسم 2: تحليل وهندسة السماتالدروس: فهم البيانات: أنواع البيانات والمصادر تنظيف البيانات ومعالجة القيم المفقودة تحليل البيانات الاستكشافي (EDA) هندسة السمات: إنشاء واختيار السمات المهمة4
- القسم 3: خوارزميات التعلم التشغيلي (Supervised Learning)الدروس: الانحدار الخطي (Linear Regression) الانحدار اللوجستي (Logistic Regression) أشجار القرار (Decision Trees) آليات الدعم النوعي (SVM) الشبكات العصبية البسيطة (Simple Neural Networks) مقارنة الخوارزميات وتحديد متى تستخدم كل واحدة6
- القسم 4: خوارزميات التعلم غير التشغيلي (Unsupervised Learning)الدروس: مقدمة إلى التعلم غير التشغيلي خوارزمية التجميع K-Means خوارزمية Hierarchical Clustering تحليل المكونات الرئيسية (PCA) حالات استخدام واقعية5
- القسم 5: الشبكات العصبية والتعلم العميق (Deep Learning)الدروس: بنية الشبكات العصبية الشبكات العصبية متعددة الطبقات (MLP) تقنيات التحسين والتدريب (Backpropagation, Optimizers) تطبيقات: التعرف على الصور والكلام مقدمة إلى الشبكات العميقة (CNNs و RNNs)5
- القسم 6: التعلم التعزيزي (Reinforcement Learning)الدروس: ما هو التعلم التعزيزي؟ فهم عمليات اتخاذ القرار في علم الماركوف (MDP) خوارزمية Q-Learning سياسات التدرج (Policy Gradient) تطبيقات التعلم التعزيزي5
